BLIS-Net: Classifying and Analyzing Signals on Graphs

要約

グラフ ニューラル ネットワーク (GNN) は、ノード分類やグラフ分類などのタスクのための強力なツールとして登場しました。
ただし、データが 1 つのグラフの頂点で定義された多くの関数 (信号と呼ばれる) で構成されている信号分類については、ほとんど研究が行われていません。
これらのタスクには、従来の GNN タスク用に設計されたネットワークとは異なる設計のネットワークが必要です。
実際、従来の GNN は局所的なローパス フィルターに依存しており、対象の信号は複雑な複数周波数の動作を持ち、長距離の相互作用を示す可能性があります。
これが、以前に紹介した幾何学的散乱変換に基づいて構築された新しい GNN である BLIS-Net (Bi-Lipschitz Scattering Net) を導入する動機となっています。
当社のネットワークは、ローカル信号構造とグローバル信号構造の両方をキャプチャでき、低周波情報と高周波情報の両方をキャプチャできます。
元の幾何学的散乱アーキテクチャにいくつかの重要な変更を加え、入力信号に関する情報をキャプチャするネットワークの能力が向上することを証明し、BLIS-Net がトラフィック フローと実世界のデータ セットに基づいて合成データ セットと現実世界のデータ セットの両方で優れたパフォーマンスを達成することを示しました。
fMRIデータ。

要約(オリジナル)

Graph neural networks (GNNs) have emerged as a powerful tool for tasks such as node classification and graph classification. However, much less work has been done on signal classification, where the data consists of many functions (referred to as signals) defined on the vertices of a single graph. These tasks require networks designed differently from those designed for traditional GNN tasks. Indeed, traditional GNNs rely on localized low-pass filters, and signals of interest may have intricate multi-frequency behavior and exhibit long range interactions. This motivates us to introduce the BLIS-Net (Bi-Lipschitz Scattering Net), a novel GNN that builds on the previously introduced geometric scattering transform. Our network is able to capture both local and global signal structure and is able to capture both low-frequency and high-frequency information. We make several crucial changes to the original geometric scattering architecture which we prove increase the ability of our network to capture information about the input signal and show that BLIS-Net achieves superior performance on both synthetic and real-world data sets based on traffic flow and fMRI data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google